AI/ML | NeurIPS·ICML·ICLR·AAAI·IJCAI 학회 비교 분석

🎓 다섯 학회 한눈에 보기

학회별 주요 연구 주제 및 최근 트렌드

• NeurIPS

  • 명실상부한 AI 분야 1위, 트렌드의 중심, h5-index 371이라는 압도적인 수치로 가장 높은 영향력을 가진 학회.

  • 이론적 깊이와 수학적 엄밀성을 가장 중시하는 학회이고 특히 다음 영역에 강점을 보임:

    • 이론 중심 연구

      • 최적화 이론 및 학습 이론: Convergence analysis, generalization bounds, optimization landscapes

      • 확률적 모델링: Bayesian methods, variational inference, probabilistic graphical models

      • 강화학습 이론: Theoretical RL, sample complexity, exploration strategies

    • 신경과학 연계

      • Biologically-inspired learning algorithms

      • Neural coding theories and computational neuroscience

      • Brain-computer interfaces

    • 새로운 패러다임 연구

      • Meta-learning and few-shot learning

      • Causal inference and causality

      • Fairness, interpretability, robustness

  • 리뷰 특징:

    • 이론적 기여의 명확성: theorem 과 증명의 엄밀성, 이론적 novelty

    • 수학적 분석의 깊이: Rigorous mathematical treatment, theoretical guarantees

    • 실험의 완전성: Comprehensive ablation studies, multiple baselines, statistical significance

    • 재현성: 충분한 implementation details, code 제출 강력 권장

  • 논문 작성시 주의 사항:

    • Introduction에서 이론적 기여를 명확히 서술

    • Related work section에서 이론적 차별성을 강조

    • Limitation section을 반드시 포함 (2021년부터 필수)

    • Broader impact statement 작성 (사회적 영향 고려)

  • 적합한 연구 프로필

    • 강력한 수학적 배경을 가진 연구

    • Novel optimization algorithms with convergence proofs

    • Theoretical analysis of existing methods

    • 신경과학과의 interdisciplinary research

• ICML

  • 머신러닝의 방법론적 혁신에 가장 집중하는 학회임. NeurIPS보다 상대적으로 응용 지향적, 알고리즘의 실용성과 효율성 강조 및 Industry applications에 대한 관심도 높음

    • 알고리즘 혁신

      • Novel learning algorithms and architectures

      • Optimization methods

      • Deep learning theory

    • 통계적 학습 이론

      • PAC learning, VC dimension, Rademacher complexity

      • Online learning and bandit algorithms

      • Active learning and semi-supervised learning

    • 응용 머신러닝

      • AutoML and neural architecture search

      • Transfer learning and domain adaptation

      • Federated learning and privacy-preserving ML

  • 리뷰 특징:

    • 리부탈 기간에 논문 수정 불가하여, 제출시 이미 완벽한 논문이여야 함

    • 방법론적 novelty: 새로운 알고리즘이나 기법의 독창성

    • 이론과 실험의 균형: Theoretical justification과 empirical validation의 조화

    • 일반화 가능성: 다양한 문제에 적용 가능한 general framework

    • 실험 설계의 엄격성: Multiple datasets, proper cross-validation, error bars

  • 논문 작성시 주의 사항:

    • Method section에서 알고리즘의 novelty를 명확히 제시

    • 기존 방법과의 비교를 통한 차별성 강조

    • Complexity analysis 포함 (시간/공간 복잡도)

    • Ablation study를 통한 각 component의 기여도 분석

  • 적합한 연구 프로필

    • 새로운 학습 알고리즘 제안

    • 기존 방법의 이론적 분석 및 개선

    • Novel optimization techniques

    • Scalable ML algorithms for large-scale problems

• ICLR

  • Representation learning과 deep learning에 특화되어 있음.

    • Deep Learning Architectures

      • Transformer variants and attention mechanisms

      • Graph neural networks and geometric deep learning

      • Generative models: GANs, VAEs, diffusion models, flow-based models

    • Representation Learning

      • Self-supervised learning and contrastive learning

      • Disentangled representations

      • Multi-modal learning (vision-language, audio-visual)

    • Foundation Models

      • Large language models (LLMs)

      • Vision transformers and multi-modal transformers

      • Prompt engineering and in-context learning

  • 리뷰 특징:

    • Open review 시스템: 모든 리뷰와 저자 응답이 공개

    • Community engagement: OpenReview.net 에서의 discussion 활성도, 커뮤니티 피드백을 리부탈에 적극 반영 필요

    • Reproducibility: Code 제출 강력 권장, reproducibility checklist

    • Empirical results 중시: Strong baseline과의 fair comparison

  • 논문 작성시 주의 사항:

    • Architecture diagrams를 명확하고 직관적으로 작성

    • Implementation details를 supplementary material에 상세히 기술

    • Hyperparameter sensitivity analysis 포함

    • Code repository 링크 제공 (GitHub, 익명화 필수)

  • 적합한 연구 프로필

    • Novel neural network architectures

    • New training paradigms (self-supervised, meta-learning)

    • Generative modeling innovations

    • Multi-modal or cross-modal learning

    • Large-scale model training techniques

• AAAI

  • 인공지능의 모든 하위 분야를 포괄하는 application 논문들도 환영하는 가장 종합적인 학회임. 전통적인 AI methods도 환영받고, 응용성과 real-world impact 중시 및 interdisciplinary collaboration 강조

    • Machine Learning

    • Knowledge Representation and Reasoning

    • Natural Language Processing

    • Robotics and Vision

    • AI Applications

  • 리뷰 특징:

    • 2 단계 리뷰 진행하고, 26년도 리뷰 부터 phase I 에서 처음으로 AI 리뷰어가 붙어서 리뷰 코멘트만 작성하고 평점을 부여하지 않음. 하지만 분명한것은 사람 리뷰어들은 AI 리뷰어의 코멘트를 볼수 있기에 최종 평점에 영향을 받을것임.

    • Interdisciplinary research 환영: 다양한 AI 기법의 결합

    • Problem-solving focus: 실제 문제 해결에 대한 기여

    • Broad impact: 다양한 도메인에 적용 가능성

    • Technical soundness: 방법론의 견고함과 완성도

  • 논문 작성시 주의 사항:

    • Clear problem formulation과 motivation

    • 기존 AI 기법들과의 명확한 비교

    • 다양한 도메인에서의 응용성 강조

    • Societal impact 고려 (특히 AI for social good track)

  • 적합한 연구 프로필

    • Classical AI와 modern ML의 결합

    • Cross-domain AI applications

    • Novel problem formulations in AI

    • Hybrid approaches (symbolic + neural)

    • AI ethics and responsible AI research

• IJCAI

  • AAAI 보다 더 fundamental하고 이론적 기여 중시하는 AI 분야 가장 오래된 학회임.

    • Symbolic AI and Reasoning

    • Search and Planning

    • Knowledge Representation

    • Machine Learning and Data Mining

    • Multi-Agent Systems

    • Robotics and Vision

  • 리뷰 특징:

    • AAAI와 마찬가지로 2 단계 리뷰 진행, Phase I 에서 약 70% 논문 reject 처리되어 리뷰어 배정운이 정말 필요한 학회임.

    • Technical depth와 breadth

    • Novelty premium: 새로운 접근법 선호

    • International perspective: 글로벌 연구 커뮤니티 기여도

    • Rigor and clarity: 엄밀성과 명확한 표현 필수

  • 적합한 연구 프로필

    • Foundational AI research

    • Novel algorithmic contributions with theoretical backing

    • Multi-agent systems and game-theoretic approaches

    • Knowledge representation and reasoning innovations

    • Cross-disciplinary AI research

    • AI + operations research, economics, philosophy 등

• 연간 제출 타임라인

  • 1월: ICLR 합격 발표 => ICML 및 IJCAI 제출 데드라인

  • 2월: AAAI 학회 참석

  • 4월: ICML 및 IJCAI 합격 발표

  • 5월: NeurIPS 제출 데드라인, ICLR 학회 참석

  • 7월: ICML 학회 참석

  • 8월: AAAI 제출 데드라인, IJCAI 학회 참석

  • 9-10월: NeurIPS 합격 발표 => ICLR 제출 데드라인

  • 11월: AAAI 합격 발표

  • 12월: NeurIPS 학회 참석